知识卡片：最优输运图像表示与深度协方差对齐用于控制阀粘滞检测

英文标题：Optimal Transport Image Representation and Deep Covariance Alignment (CORAL) for Control Valve Stiction Detection
英文关键词：Control valve stiction, Optimal transport, Deep CORAL, Domain adaptation, Industrial control loops, Time-series imaging

一句话结论

本文提出将最优输运（OT）成像技术与深度协方差对齐（Deep CORAL）相结合，为工业控制阀粘滞检测提供了一种能够有效缓解模拟-真实域偏移、在基准测试中达到90%准确率与100%召回率的无监督域适应方法。

事件概述或研究问题

控制阀粘滞（stiction）是工业过程中引起不必要振荡和回路性能下降的常见原因。数据驱动方法可自动检测粘滞，但仅基于模拟数据训练的模型由于域偏移（domain shift），往往难以泛化到真实工业控制回路。本文旨在弥补这一差距，提出一种新的粘滞检测框架。

方法/产品要点

最优输运（OT）成像：将闭环回路中的控制器输出（OP）和过程变量（PV）两个一维时间序列转换为二维OT图像，以捕获控制回路的动态行为。
深度协方差对齐（Deep CORAL）：使用CNN编码器（特征提取器）学习域不变表示，训练目标包括有标签模拟数据的交叉熵损失以及模拟数据与无标签目标域工业数据之间的Deep CORAL（协方差对齐）损失。
下游分类器：在学到的域不变目标特征上训练分类器，并在独立的工业粘滞数据基准测试集（20个回路）上进行评估。

主要结果或产业意义

在20个基准回路中成功诊断18个，所有13个粘滞案例召回率为100%，准确率90.00%，F1分数92.86%。
相比基于手工特征的标准基线方法，该方法显著缓解了域偏移，提供了对真实工业回路鲁棒且高可靠性的粘滞检测。

为什么重要

本文是首次将最优输运图像表示与Deep CORAL域适应结合应用于工业控制阀粘滞检测任务。它提供了一种无需目标域标签即可从模拟数据迁移到真实场景的实用方案，对提升工业过程监控自动化水平具有潜在价值。与现有知识卡片中其他域适应（如脑微出血检测）或时间序列成像方法不同，本工作聚焦于工业回路故障诊断这一具体垂直领域，并给出了完整的端到端流程。

局限与不确定性

测试仅使用了20个基准回路，样本量较小，在更大规模、更多样化的工业场景中的泛化性能待核实。
方法依赖OT成像的配置参数（如传输代价）和CNN架构选择，不同设置下的稳定性待核实。
未报告计算开销与实时推理能力，能否部署到边缘设备尚不确定。

可用于图书/PPT/简报的角度

工业AI落地案例：展示如何用域适应方法将实验室模型部署到真实生产环境。
时间序列转图像：介绍最优输运成像作为一种新型时序特征提取手段。
无监督域适应：说明Deep CORAL损失与交叉熵联合训练如何实现知识迁移。

原始材料

论文标题：Optimal Transport Image Representation and Deep Covariance Alignment (CORAL) for Control Valve Stiction Detection
arXiv ID: 2607.22486v1
链接: https://arxiv.org/abs/2607.22486v1
PDF: https://arxiv.org/pdf/2607.22486v1
作者: Seshu K. Damarla
发布/更新日期: 2026-07-24
类别: cs.CV